Только в 9% российских компаний строят системы, где ИИ сам извлекает данные и выполняет действия без участия человека. Такие результаты показало исследование компании WMT AI, в ходе которого были проанализированы данные аудита среднего и крупного бизнеса в 2024 и 2025 годах.
На первый взгляд кажется, что чат-боты и другие ИИ-продукты стоят недорого: enterprise-подписка на СhatGPT обойдется в 60 долларов в месяц на сотрудника (лицензия от 150 пользователей) или 25 долларов для малого и среднего бизнеса. Но эти цены не отражают реальной стоимости ИИ-сервисов. Сегодня все крупные ИИ-вендоры работают себе в убыток. По данным издания The Information, которое ссылается на внутренние финансовые документы, создатель ChatGPT, компания OpenAI, в 2026 году может понести убытки в размере 14 млрд долларов, что примерно втрое выше, чем в 2025 году. А за период с 2023 по 2028 год совокупные финансовые потери OpenAI могут достичь 44 млрд долларов.
Подобная ситуация характерна не только для России. Международное консалтинговое агентство McKinsey & Company в своем отчете фиксирует, что 95% организаций используют нейросети неправильно, создавая разрозненные "островки автоматизации" вместо единой эффективной среды. А аналитики российской консалтинговой компании KT Team пришли к выводу: хотя 92% компаний увеличивают инвестиции в ИИ, лишь 1% достигает полной операционной интеграции.
Основатель WMT AI и эксперт по AI-трансформации Игорь Никитин поясняет, что сегодня самые распространенные сценарии внедрения ИИ - это "костыль" для бизнеса, но не полноценная автоматизация: "Есть простой, но ключевой критерий оценки эффективности внедрения ИИ - "тест буфера обмена". Вам необходимо изучить физику работы - например, как сотрудник использует результат от нейросети? Если он получает ответ, выделяет его мышкой, копирует и вручную вставляет в CRM, Excel или почту - это провал. Это наглядно показывает, что процесс остался старым. Просто человек стал быстрее набирать текст. Но это не является трансформацией бизнеса. От такого формата внедрения ИИ ждать серьезных результатов не стоит".
Ситуация с внедрением ИИ в промышленности еще более сложная, чем в бизнесе, так как добавляются слабое понимание механизма действия ИИ-агентов и завышенные ожидания. При внедрении ИИ-продуктов трудно оценить процент ошибок ИИ в конкретной прикладной области, так как не во всех сферах деятельности человека есть одинаковое количество информации, на которой можно обучить нейросетевую модель, да и сам пул данных, на котором ИИ обучен, - чаще всего коммерческая тайна вендора.
"Чем уникальнее прикладная область и чем сильнее компания отличается от стандарта ("среднего по больнице" в данном случае) своими бизнес-процессами, тем больший процент брака в генерируемой искусственным интеллектом информации. При этом в ожиданиях бизнеса ИИ как раз должен решать творческие задачи, размышлять над проблемами. Но пока он делает это слабо", - отмечает замруководителя центра метрологии и автоматизации Группы предприятий ПЦБК (Пермская целлюлозно-бумажная компания) Иван Тарасов.
Причина кроется не в технологиях, а в управленческих моделях. Большинство компаний подключили сотрудников к чат-ботам и на этом остановились. Руководство видит ИИ как инструмент повышения личной продуктивности, но не как инфраструктурный элемент бизнеса. Сотрудникам дают доступ к нейросети, они начинают писать тексты быстрее, делать презентации быстрее, анализировать быстрее. Но сами процессы - согласования, ответственность, маршруты данных, системы хранения знаний - остаются прежними. В результате компания получает ускорение отдельных операций, но не ИИ-трансформацию.
"У менеджмента существует страх архитектурных изменений. Встроить ИИ по API из облака или on-premise в корпоративные системы означает пересобрать контуры безопасности, регламенты, роли, метрики эффективности. Это управленчески сложнее, чем просто "дать доступ к чату". Многие компании пока не готовы менять свою оргструктуру под ИИ, - говорит Никитин. - Еще одна причина - отсутствие системного подхода к ROI (Return on Investment - окупаемости инвестиций, финансовому коэффициенту, показывающему прибыльность или убыточность вложений). Компании измеряют количество подключенных лицензий, но не измеряют сокращение цикла сделки, уменьшение издержек на обработку данных, снижение числа ошибок или автоматизацию повторяющихся решений. Без изменения метрик невозможно увидеть реальный эффект. Менеджмент видит проблему, но часто воспринимает ее как техническую, а не организационную. Однако ИИ - это не софт в чистом виде. Это новая модель принятия решений. Эффект появляется тогда, когда нейросети становятся частью операционного контура: работают через API, подключены к CRM, ERP, BI-системам, имеют доступ к корпоративным данным и действуют автономно в рамках заданных правил. До этого момента ИИ остается "дорогим калькулятором слов". После - превращается в цифрового сотрудника, влияющего на экономику компании".
Многие эксперты проводят параллели между ИИ и электричеством на заре его появления, когда оно было дорогим, опасным и неудобным в обращении. Его часто применяли не по назначению (в современном понимании), но в итоге технология стала максимально массовой и уже неотделима от современной человеческой жизни.
"Я считаю, что с ИИ будет ровно так же. Будут новые игроки, масштабирование, перераспределение естественного и искусственного интеллекта и их симбиоз. Появятся новые ниши для ИИ. Сама технология однозначно прорывная и упрощает многие сферы человеческой жизни", - уверен Тарасов. Сегодня же, по его мнению, основным барьером имплементации ИИ в промышленность является тот факт, что изначально заводы и фабрики проектировались "для людей": "ИИ может успешно анализировать большие данные, но существующие предприятия под это плохо "заточены". В цифровых зависимостях они не описаны, чертежи и технические описания нередко отсутствуют. На часть оборудования нет информации о том, как оно устроено внутри, какие технологии там используются, так как это коммерческая тайна производителя. Соответственно, и моделировать/описывать то, на что отсутствует информация, не представляется возможным".
"Чтобы действительно эффективно внедрять ИИ на производстве, нужно готовиться еще на стадии строительства. Все точки получения данных должны быть определенным образом описаны, масштабированы. Производители всего оборудования должны предоставить математические описания своих установок или предобученные ИИ-модели, и обязательно в едином формате. Должны появиться стандарты на процент ошибок, и это все должно быть учтено и заложено в бизнес-процессы; отделы техконтроля должны научиться с этим работать. Поле для интеграции есть, но стандартизации и описанию механизмов действия ИИ-систем различного толка для бизнеса и промышленности только предстоит случиться, и только после этого возможны прямые внедрения, описанные стандартами, и сертификация предложенных ИИ-решений", - считает Тарасов.